Pongamonos en situación.
Un estudiante entrega un trabajo. Está bien escrito. Quizá demasiado bien escrito. El estilo es uniforme, las frases son impecables y alguna expresión nos hace levantar una ceja.
Lo pasamos por un detector de inteligencia artificial.
Resultado: 87 % generado por IA.
Caso resuelto, ¿verdad?
No tan rápido.
Ese porcentaje parece preciso, casi científico, pero plantea muchas más preguntas de las que responde. ¿Significa que el 87 % del documento lo escribió ChatGPT? ¿Que existe un 87 % de probabilidad de que el estudiante utilizase inteligencia artificial? ¿Podemos iniciar una sanción académica basándonos en ese número?
La investigación más reciente ofrece una respuesta bastante menos cómoda: los detectores de IA funcionan bajo determinadas condiciones, pero sus resultados dependen mucho de la herramienta, el modelo generativo, el tipo de texto y el grado de intervención humana. No deberían utilizarse como prueba única de fraude académico.
Y los estudios publicados en 2026 nos permiten entender mucho mejor por qué.
¿Funcionan realmente los detectores de IA?
La respuesta corta es sí, pero con importantes limitaciones.
Herramientas como Turnitin, GPTZero, Copyleaks, Originality.AI o Pangram detectan con bastante precisión determinados textos completamente generados mediante inteligencia artificial.
El problema aparece cuando cambiamos las condiciones.
Un detector que funciona muy bien con un modelo puede obtener resultados mucho peores con otro. También puede variar su comportamiento dependiendo de la longitud del documento, el género académico o de si estamos ante un texto completamente artificial o ante una combinación de escritura humana e IA.
Y este último escenario es probablemente el que más nos interesa como docentes.
Porque el uso real de inteligencia artificial rara vez consiste ya en pulsar un botón y entregar íntegramente lo que devuelve ChatGPT copiado tal cual.
El estudiante puede escribir una parte, para después, pedir a una IA que mejore otra, reformular varios párrafos, utilizar un asistente para corregir el estilo y terminar revisándolo todo personalmente.
Entonces surge una pregunta bastante más difícil:
¿quién ha escrito realmente el texto?
Detectar inteligencia artificial no es lo mismo que detectar plagio
Durante estos últimos años nos hemos acostumbrado al uso de herramientas antiplagio.
Su funcionamiento conceptual es relativamente sencillo: el sistema compara un documento con páginas web, publicaciones, repositorios académicos y otros trabajos y busca coincidencias.
Si encuentra un párrafo idéntico a otro publicado previamente, podemos consultar la fuente y valorar qué ha ocurrido. Pero con la IA generativa el problema es diferente.
Cuando ChatGPT, Gemini, Claude o cualquier otro gran modelo de lenguaje genera un párrafo, ese texto normalmente no ha sido copiado de una fuente concreta. Se ha generado en ese momento.
Por tanto, un detector de IA no puede buscar el documento original. Tiene que analizar características del texto e intentar determinar si sus patrones estadísticos y lingüísticos son más compatibles con la escritura humana o con la producida por modelos generativos.
En otras palabras:
Un detector de IA no sabe quién ha escrito un documento. Estima hasta qué punto las características de ese texto se parecen a patrones asociados con contenido generado mediante inteligencia artificial.
Esta diferencia es fundamental.
El resultado de un detector debería interpretarse como una señal que merece ser investigada, no como una sentencia firme.
¿Cómo funcionan los detectores de IA?
Pero antes de entrar a valorar estas herramientas, vamos a ver como funcionan.
Los detectores de IA no buscan una frase “copiada” de ChatGPT, sino que analizan el texto en busca de patrones estadísticos y lingüísticos que pueden ser característicos de los modelos de lenguaje. Entre otras cosas, pueden estudiar lo predecibles que son las palabras, la regularidad de las frases, la variación del estilo o determinadas estructuras de redacción. A partir de esos indicios, el sistema calcula una puntuación que expresa hasta qué punto el texto se parece a los ejemplos de escritura generada por IA que el detector ha aprendido a reconocer.
Y es aquí donde aparece una fuente habitual de confusión. Un resultado como 0,62 o 62 % no significa necesariamente que “el 62 % del texto lo haya escrito una IA” ni que exista exactamente un 62 % de probabilidad de que el estudiante haya utilizado ChatGPT. Cada herramienta puede expresar sus resultados de forma diferente: como nivel de confianza, puntuación interna o porcentaje estimado de contenido artificial. Y esto tampoco debe confundirse con métricas como accuracy, precisión o AUC que veremos en los estudios científicos, ya que estas últimas evalúan cómo funciona el detector sobre un conjunto de muchos textos, no cuánto contenido de IA existe en un documento concreto.
Un precedente interesante: OpenAI también lo intentó
La dificultad del problema se hizo evidente bastante pronto.
En enero de 2023, OpenAI presentó su propio clasificador para identificar textos escritos mediante inteligencia artificial. La propia compañía la retiró y advirtió entonces de sus enormes limitaciones:
- Baja precisión.
- Limitaciones de idioma.
- Falta de fiabilidad.
En las pruebas publicadas por OpenAI, el clasificador identificaba correctamente como probablemente generados mediante IA solo un 26 % de los textos artificiales y clasificaba erróneamente como artificiales un 9 % de los textos humanos.
El 20 de julio de 2023, OpenAI retiró la herramienta debido a su baja precisión.
Consultar el clasificador y la explicación original de OpenAI
Han pasado tres años desde aquello y los detectores actuales han avanzado mucho. Pero también lo han hecho las inteligencias artificiales que intentan detectar.
¿Qué dicen los estudios de 2026?
Durante 2026 se han publicado varios trabajos científicos que han puesto a prueba herramientas comerciales de detección de IA utilizando textos cuyo origen sí conocían los investigadores.
Y sus resultados no son iguales.
Estudio 1: Turnitin, GPTZero, Copyleaks y Pangram frente a 160 trabajos académicos
Uno de los trabajos más interesantes se publicó el 29 de junio de 2026 en International Journal for Educational Integrity.
En el, los investigadores Marijke Van Vlasselaer, Filip Van Droogenbroeck y Bram Spruyt compararon cuatro detectores:
Turnitin, GPTZero, Copyleaks y Pangram.
El experimento utilizó 160 documentos repartidos en cuatro grupos:
- 40 trabajos escritos completamente por humanos.
- 40 trabajos generados completamente mediante IA.
- 40 trabajos híbridos, combinando escritura humana e IA.
- 40 trabajos en los que el contenido artificial había sido posteriormente “humanizado”.
Los resultados resultan sorprendentes.
Los cuatro sistemas identificaron correctamente los textos humanos de este conjunto. Sin embargo, cuando analizaron los 40 trabajos completamente generados mediante GPT-4o Deep Research, las diferencias fueron enormes.
Turnitin clasificó los 40 como falsos negativos.
Es decir, en ese experimento concreto no detectó como IA ninguno de los trabajos completamente artificiales.
GPTZero y Copyleaks también tuvieron importantes dificultades.
Pangram, en cambio, obtuvo un 65 % de precisión utilizando el criterio más estricto y un 97,5 % de precisión con el criterio inclusivo utilizado por los investigadores, dejando solo un caso mal clasificado.
Esto no significa que Turnitin “no funcione” ni que Pangram vaya a obtener siempre esos resultados.
Significa algo mucho más importante:
el resultado de un detector depende extraordinariamente de aquello que intenta detectar.
Estudio 2: el problema de los textos híbridos
Otro trabajo publicado en febrero de 2026 analizó 192 textos utilizando Turnitin y Originality.
La muestra incluía trabajos auténticos de estudiantes que utilizaban inglés como lengua extranjera, textos profesionales, contenido generado mediante IA y documentos híbridos humano-IA.
Originality consiguió una precisión global de 0,69, frente al 0,61 de Turnitin.
Pero la conclusión más interesante no está probablemente en saber cuál quedó primero.
Ambos detectores tuvieron dificultades importantes con los textos híbridos.
Además, los investigadores comprobaron que factores como la longitud y el género del texto influían en el rendimiento del detector. También detectaron indicios que justifican seguir investigando posibles diferencias en el tratamiento de textos escritos por estudiantes cuya primera lengua no es el inglés.
Esto es especialmente relevante para la universidad.
Porque probablemente el futuro de la escritura académica no sea completamente humano ni completamente artificial.
Será híbrido.
Estudio 3: algunos detectores sí consiguen resultados excelentes
Para complicar todavía más la respuesta, otro estudio publicado el 9 de junio de 2026 obtuvo resultados mucho mejores con algunos detectores.
Los investigadores utilizaron 120 manuscritos científicos del ámbito de la odontología:
- 30 escritos por humanos.
- 30 generados con GPT-4.5.
- 30 generados con GPT-4o.
- 30 generados con DeepSeek-R2.
Probaron Aidetector, GPTZero, Copyleaks, Originality.AI, Turnitin y DetectingAI.
En esas condiciones, GPTZero, Copyleaks, Originality.AI y Aidetector consiguieron una capacidad de discriminación muy elevada.
Turnitin obtuvo un rendimiento moderado y DetectingAI no fue capaz de separar adecuadamente los textos humanos de los generados mediante IA.
Además, entre los 30 textos humanos incluidos en ese experimento no se produjo ningún falso positivo con el umbral utilizado por los investigadores.
Tenemos, por tanto, tres estudios publicados en el mismo año y resultados bastante diferentes. Y eso constituye en sí mismo una conclusión.
Comparativa rápida: qué sabemos en 2026
| Estudio | Textos analizados | Detectores destacados | Principal conclusión |
|---|---|---|---|
| Van Vlasselaer et al. (2026) | 160 + 1.163 trabajos reales | Pangram, Turnitin, GPTZero, Copyleaks | Grandes diferencias entre herramientas; Pangram destacó claramente |
| Hadra et al. (2026) | 192 | Turnitin, Originality | Los textos híbridos son especialmente difíciles de clasificar |
| Villa et al. (2026) | 120 | GPTZero, Copyleaks, Originality, Aidetector, Turnitin | Varios detectores rindieron muy bien en manuscritos científicos controlados |
Por tanto, la pregunta “¿cuál es el mejor detector de IA?” no tiene una respuesta universal. Depende del tipo de contenido y del contexto en el que se utiliza.
¿Es fiable Turnitin para detectar textos escritos con IA?
Esta es probablemente una de las preguntas que más interesan a los docentes.
La respuesta que nos permiten dar los estudios actuales es:
Turnitin puede detectar contenido generado mediante IA, pero no podemos interpretar sus resultados como una prueba infalible de autoría artificial.
El contraste entre los estudios anteriores resulta especialmente ilustrativo.
En uno de ellos Turnitin no detectó ninguno de los 40 documentos completamente generados mediante IA analizados. En otros experimentos consiguió mejores resultados.
Por tanto, decir que “Turnitin detecta ChatGPT” es una simplificación excesiva.
Sería más correcto afirmar:
Turnitin intenta estimar la presencia de patrones compatibles con escritura generada mediante IA, con una precisión que puede variar considerablemente dependiendo del texto y del modelo utilizado.
Y lo mismo deberíamos decir de otros detectores.
Se puede detectar el uso de IA pero no concretar en que parte del proceso, si para generar contenido, formatearlo o como apoyo en la validación o correción de un trabajo o parte de él.
¿Puede GPTZero detectar ChatGPT?
También depende.
En el estudio sobre manuscritos odontológicos, GPTZero mostró un rendimiento excelente bajo las condiciones controladas del experimento.
Sin embargo, en el estudio de Van Vlasselaer y colaboradores tuvo grandes dificultades con los documentos generados mediante GPT-4o Deep Research y clasificó como falsos negativos los 40 documentos híbridos del experimento.
No hay contradicción.
Los textos eran diferentes. Los modelos utilizados también. Y las condiciones experimentales no eran las mismas.
Esa variabilidad es precisamente uno de los principales problemas de utilizar estos sistemas en decisiones académicas de alto impacto.
El verdadero problema: la autoría híbrida
Imaginemos una situación perfectamente plausible.
Un estudiante escribe un trabajo de 4.000 palabras. Después pide a ChatGPT que mejore dos párrafos. Utiliza una IA para resumir tres artículos. Reescribe personalmente las respuestas. Después emplea Grammarly o una herramienta similar para corregir gramática y estilo. Finalmente modifica la conclusión.
A este escenario se añade además una posibilidad cada vez más accesible: proporcionar a la inteligencia artificial varios textos escritos previamente por una persona y pedirle que analice su forma de expresarse para intentar reproducirla en nuevos contenidos. El modelo puede identificar rasgos como el vocabulario habitual, la longitud de las frases, el grado de formalidad, la estructura de los párrafos o determinadas formas de argumentar. La imitación no es necesariamente perfecta, pero introduce una dificultad adicional: ya no hablamos únicamente de generar un texto que parezca humano, sino de generar un texto que intente parecer escrito por una persona concreta.
¿Qué porcentaje del documento ha escrito la inteligencia artificial?
Quizá la pregunta ni siquiera tenga ya una respuesta clara.
Los estudios de 2026 sugieren precisamente que los documentos híbridos siguen siendo uno de los escenarios más complicados para los detectores.
Y todavía sabemos menos sobre cómo se comportan estos detectores cuando el modelo ha recibido previamente muestras reales de escritura del autor.
Y probablemente sean también uno de los escenarios más habituales en la práctica.
Esto nos obliga a cambiar ligeramente la conversación.
Ya no basta con preguntar: “¿Ha utilizado IA?”
Quizá deberíamos empezar a preguntar: “¿Cómo ha utilizado IA y qué parte del trabajo intelectual sigue correspondiendo al estudiante?”
¿Qué ocurre con los falsos positivos?
Aquí entramos en el aspecto más delicado.
Un falso negativo significa que una herramienta no detecta un texto generado mediante IA.
Puede ser frustrante, pero un falso positivo tiene consecuencias potencialmente mucho más graves: supone señalar como artificial un trabajo escrito realmente por una persona.
En un entorno educativo eso puede acabar convirtiéndose en una acusación de fraude académico.
Algunos estudios recientes muestran mejoras importantes.
En el experimento de Van Vlasselaer y colaboradores, todos los textos completamente humanos del conjunto controlado fueron reconocidos correctamente por los cuatro detectores analizados. Pero eso no nos permite garantizar que cualquier texto humano vaya a ser clasificado correctamente.
La muestra, el idioma, el estilo, la disciplina y las actualizaciones constantes de los detectores importan.
Por eso el objetivo razonable no debería ser encontrar un detector al que entregar nuestra confianza absoluta y nuestra capacidad de decisión. Debería ser saber cómo interpretar la información que proporciona.
Un dato sorprendente: 1.163 trabajos finales de máster
El estudio de Van Vlasselaer y colaboradores añadió una segunda fase especialmente interesante.
Después del experimento controlado, los investigadores utilizaron Pangram —la herramienta que había obtenido mejores resultados— para analizar 1.163 trabajos finales de máster reales presentados durante el curso 2024-2025.
El sistema señaló 529 trabajos, un 45,5 % del total, por contener algún nivel de contenido asociado a inteligencia artificial.
Es una cifra espectacular. Pero debemos tener mucho cuidado al interpretarla.
En estos 1.163 trabajos reales los investigadores no conocían el ground truth, es decir, no sabían de forma independiente cuánto contenido había sido realmente generado mediante IA.
Por tanto, no podemos escribir: “El 45,5 % de los estudiantes utilizó inteligencia artificial”.
Lo correcto sería: “Pangram señaló posible contenido generado mediante IA en el 45,5 % de los trabajos analizados”.
Parece una diferencia pequeña, pero no lo es. Es exactamente la diferencia entre una predicción algorítmica y un hecho demostrado.
¿Deberíamos utilizar detectores de IA en la universidad?
Mi respuesta sería: Sí, pueden utilizarse como indicador. No deberían utilizarse como juez.
Un porcentaje elevado puede justificar que revisemos con mayor atención un trabajo.
Puede invitarnos a comprobar:
- cambios repentinos de estilo;
- referencias inexistentes o incorrectas;
- incoherencias entre distintas partes del documento;
- diferencias respecto a trabajos anteriores;
- ausencia de borradores o evidencias del proceso;
- dificultades del estudiante para explicar aquello que supuestamente ha escrito.
Pero ninguno de esos elementos, tampoco individualmente, debería convertirse automáticamente en una condena.
Los propios autores de varios de estos estudios llegan a conclusiones similares: los detectores pueden proporcionar señales útiles para iniciar una revisión, pero sus limitaciones hacen que no sean adecuados como única evidencia en decisiones de integridad académica de alto impacto.
¿Qué puede hacer un profesor en la práctica?
Un procedimiento razonable podría ser el siguiente:
1. Utilizar el detector como una alerta
Un resultado elevado debería significar: “Revisemos este trabajo con más atención”.
No: “Este estudiante ha hecho trampas”.
2. Pedir evidencias del proceso
Borradores, historial de versiones, fuentes consultadas, esquemas o entregas intermedias pueden decirnos mucho sobre cómo se produjo un trabajo o como se llegó a un resultado final.
3. Preguntar al estudiante
Una breve conversación puede ser sorprendentemente eficaz.
¿Por qué elegiste esta metodología?
¿De dónde sale este argumento?
¿Qué significa este concepto?
¿Por qué descartaste esta fuente?
El objetivo no debería ser realizar un interrogatorio policial, sino comprobar si existe comprensión y autoría intelectual.
4. Explicitar qué usos de IA están permitidos
Quizá uno de nuestros mayores problemas no sea tecnológico.
Es normativo.
Si permitimos utilizar IA para corregir estilo pero no para redactar el contenido, debemos decirlo.
Si puede utilizarse para generar ideas, también.
Y si queremos que el estudiante declare cómo la ha utilizado, debe conocer esa obligación antes de comenzar el trabajo.
5. Rediseñar parte de la evaluación
Aquí probablemente se encuentre la solución más sostenible.
En julio de 2026, Nikolić y Basta Nikolić propusieron un marco de evaluación universitaria resistente a la IA basado en cuatro pilares:
- documentación del proceso;
- defensa oral;
- tareas auténticas;
- políticas transparentes sobre utilización de IA.
Leer el artículo completo: Designing AI-resilient assessment in higher education
La idea es interesante porque cambia completamente el enfoque.
En lugar de intentar demostrar desesperadamente quién pulsó qué botón, buscamos evidencias de que el estudiante comprende, argumenta, toma decisiones y puede defender su trabajo.
Conclusiones: el detector no puede ser el profesor
Los detectores de inteligencia artificial no son inútiles, pero tampoco infalibles.
La evidencia publicada durante 2026 muestra que algunas herramientas pueden alcanzar resultados excelentes en determinadas circunstancias. Al mismo tiempo, encontramos diferencias enormes dependiendo del detector, el modelo generativo, la disciplina, el tipo de documento y el grado de mezcla entre autoría humana y artificial.
Por eso deberíamos desconfiar de la aparente seguridad que transmite un resultado como: “92 % IA”.
Ese número no identifica al autor, no reconstruye el proceso de escritura, no demuestra por sí mismo una infracción académica. Es el resultado de un sistema de clasificación.
Puede aportar información útil, pero necesita interpretación humana.
Y quizá la llegada de ChatGPT esté obligándonos a afrontar una cuestión todavía más interesante que la propia detección.
Si una inteligencia artificial puede realizar con facilidad una actividad que utilizamos para evaluar a nuestros estudiantes, quizá el problema no sea únicamente cómo detectar a la inteligencia artificial, sino que también tengamos que preguntarnos: ¿Qué queríamos evaluar realmente con esa actividad?
Turnitin, GPTZero, Copyleaks, Pangram y los detectores que aparezcan durante los próximos años seguirán evolucionando.
También lo harán ChatGPT, Gemini, Claude, DeepSeek y los modelos que todavía no conocemos.
La carrera entre generación y detección continuará.
Pero nuestra responsabilidad como docentes no debería consistir en ganar esa carrera tecnológica. Debería consistir en diseñar situaciones en las que nuestros estudiantes tengan que demostrar que entienden, razonan, relacionan, deciden y aprenden.
Porque eso continúa siendo bastante más interesante que averiguar quién escribió un párrafo.
Estudios y fuentes citadas
A continución os citamos los estudios citados en este artículo, que resultan de gran interés.
Van Vlasselaer, M., Van Droogenbroeck, F. & Spruyt, B. (2026). Who wrote this? Evaluating the reliability of AI detection tools in higher education. International Journal for Educational Integrity, 22, 16.
Acceder al estudio completo
Hadra, M., Cambridge, K. & Mesbah, M. (2026). Evaluating the accuracy and reliability of AI content detectors in academic contexts. International Journal for Educational Integrity, 22, 4.
Acceder al estudio completo
Villa, J., Garcovich, D., Lombardo, L. et al. (2026). AI text detection in dentistry: a comparative analysis across generative models. Research Integrity and Peer Review, 11, 46.
Acceder al estudio completo
Nikolić, D. & Basta Nikolić, M. (2026). Designing AI-resilient assessment in higher education: a four-pillar conceptual framework. Frontiers in Artificial Intelligence, 9, 1841682.
Acceder al artículo completo
OpenAI (2023). Nuevo clasificador de IA para detectar textos generados por IA. Herramienta retirada en julio de 2023 debido a su baja precisión.
Consultar la publicación original de OpenAI
Autor Arturo Formariz Pombo
Técnico y desarrollador en la Sección de Infraestructuras del Gabinete de Tele-Educación de la UPM.
Esta obra está licenciada bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
Entradas relacionadas
Lectura fácil en la docencia universitaria: accesibilidad cognitiva para todos
Aplicación de la IA para generar preguntas en Moodle
Zoom se une al equipo de la Inteligencia Artificial